2026年10月23日,Jack Dorsey(推特联合创始人、Block CEO)在X上发布了一条消息:Block做了Dessa,号称”最有真实感的全双工语音模型”。它最不一样的地方是——训练过程里一个文字都没有,直接从人类对话录音学说话,推理还能在一台MacBook Pro M4 Max上本地跑,训练只用了1个英伟达GB200 NVL72机架。
但我得先泼盆冷水:截至发稿,Dessa没有论文、没有权重、没有API、没有价格、没有任何基准分数,官方公开的”证据”只有6段录音(时长1分52秒到4分57秒)。更值得看的是第三方评测里那些不那么好听的部分——有一处它把说话人认成了”罗纳尔多”,而它的语气毫无犹豫。
所以这篇文章的重点不是”它有多强”,而是”它到底说了什么、没说什么,以及纯语音这条路线的真实代价”。
Dessa是什么?一句话:把语音链路的中间层拆掉
先讲清楚现在主流语音AI是怎么工作的,这决定了Dessa的意义。
主流方案是一条三级流水线:
- ASR语音转文字:把你的声音波纹转成文字
- 大语言模型:读这段文字,生成回复的文字
- TTS文字转语音:把回复念出来
问题出在第1步到第2步之间。语音里承载情绪、语气、停顿、叹气、讽刺、哽咽、重音位置的信息,在”波纹转成字符串”这一步就被丢弃了。同一句”我没事”,正常说和哭着说,转出来的文字完全一样,但意思天差地别。
Block官方在发布页上写得很直白:
“和现在的语音AI交互,体感就是很烂。它把你的声音转成文字,扔掉了大量文字根本承载不了的信息。世界上最强大的AI都听不出来你此刻是什么感受。我们觉得这很荒谬,会带来更差的体验,而且可能是危险的。”
Dessa的架构是音频进、音频出,中间不经过任何文本层。官方说法是,它连”语言”本身都是从声音里学来的。
官网地址:(https://block.xyz/dessa)
全双工到底改变了什么?关键在”你还没说完它就能接话”
这是我觉得最被低估的一点。
全双工(full-duplex)意味着模型一边说一边听。这带来三个具体行为变化:
- 能插话:不用等你说完,可以在句子中间打断
- 能”嗯嗯”:用简短的语气词做backchanneling(伴随性回应),官方举例是”yeah!”、”got it!”、”ooh”,这是真人对话里最关键的节奏感
- 能接住你的停顿:你卡壳的时候它会自然补位,而不是冷冰冰等你
为什么这件事这么难?因为传统流水线被迫采用”轮流发言”模式。系统必须先判断”用户说完了”才能往下走,这个判断(endpointing)本身就要插入一段静音缓冲。参照量级在这儿:已经有论文的Moshi(Kyutai,2024)报告的理论延迟160毫秒、实际延迟200毫秒,这基本就是学术界公认的”人类换手间隔”量级。Dessa官方只说了”快于实时”,没给任何具体数字。
训练:只用1个机架,没有文本
这是整个发布里最硬的一条主张,也是最需要你带着怀疑去读的一条。
官方原话是”我们只用人类对话、从零训练了Dessa”(Sounds! No text, no pretrained models)。具体做法是:
- 训练数据:只有人类对话录音,没有文本语料,没有加载任何预训练权重
- 训练算力:1个英伟达GB200 NVL72机架(72张GPU的机架级系统)
- 运行硬件:MacBook Pro M4 Max及以上,本地推理,快于实时
- 语言习得:Block称它从”比大语言模型少几百倍的词”里学会了语言
Block自己把这个规模称作”小”(”really really small”),Dorsey在X上补刀:”小到能在你的MacBook上跑”。按前沿实验室的标准,1个机架确实小。
这里有个值得玩味的技术张力:一个语音词消耗的字节数是同样文字的成千上万倍(Block自己的说法是”thousands of times more bytes”)。所以”用几百倍的词学会语言”和”语音token比文字贵得多”这两件事是同时成立的。Block没有披露的是——这些录音到底有多少小时、覆盖哪些语言、说话人是谁、授权和知情同意怎么处理的。这恰恰是外部评估隐私、偏见、记忆风险时最需要的前置信息。
Block到底公开了什么、没公开什么(一张表说清楚)
我把这个发布页逐条核了一遍,整理成下面这张表。看第一列和第三列的落差,你就知道该怎么对待这个发布。
| 项目 | Block的说法 | 是否给了具体数字 |
|---|---|---|
| 训练数据 | 仅人类对话语音,无文本、无预训练模型 | 给了(但未披露录音来源与授权) |
| 训练算力 | 1个英伟达GB200 NVL72机架 | 给了 |
| 运行硬件 | MacBook Pro M4 Max 或更高 | 给了 |
| 推理速度 | “快于实时” | 没有 |
| 训练用词量 | “比大语言模型少几百倍” | 没有 |
| 参数量 | 未公布(CoinDesk 报道确认未披露模型规模) | 没有 |
| 音频时长 | 未公布 | 没有 |
| 基准测试 | 未公布 | 没有 |
| 公开发布日期 | 未公布,官方写”发布链接即将上线” | 没有 |
| 论文、权重、API、许可证 | 均未公布 | 没有 |
换句话说,只有算力和硬件这两项带具体数字,其余全是定性描述。这在AI模型发布里是相当罕见的坦白程度。
还有几项”连提都没提”的空白,同样重要:支持哪些语言(Block把”能多高效地学会新语言”当成一个开放问题)、有没有水印、音频有没有合成标识、是否做了知情同意校验、能不能模仿某个具体的人。官方只说Dessa会”选择自己的声音和人格”,但没有承诺它不能复制别人。
第三方评测里那几个不那么好听的细节(本文重点)
官方录音是Block自己挑的,媒体试听才是真正的对照组。这三家的观察拼起来,指向同一个结论。
| 来源 | 观察到的 | 这说明了什么 |
|---|---|---|
| The Verge(10/23) | 部分对话”有点别扭、有点诡异”(a little awkward and uncanny),包括在聊Christopher Nolan时跑题到Bryan Singer的超人电影;但同时认为它比对比中的GPT-Live-1更自然 | 自然度是真的,但话题跑偏也是真的 |
| 第三方汇总(10/24、10/26多篇) | 有一段广为流传的画面:它把说话人当成了名叫”罗纳尔多”的人,而且语气极其笃定流畅 | 没有文字锚定,纯语音模型会在身份信息上”流畅地错” |
| TechCrunch(10/24) | 不清楚它的情绪表达是否由某种标签引导(steered by tags) | “它真的懂情绪”还是”情绪被预设过”,外部分辨不了 |
| CoinDesk(10/24) | 模型规模、基准结果、公开发布日期均未披露 | 没有可比的量化口径 |
| The Decoder | “听起来有情绪”不等于”有情绪,也不等于聪明” | 拟人化表现与真实理解要分开算 |
我觉得最值得记住的是那个”罗纳尔多”片段,它比任何成功案例都有信息量。
原因很简单:纯语音路线没有文字做锚定。它听到的是一个声音,得靠声学特征去猜”这是谁””刚才在说什么”。猜错了,它不会说”我不太确定”,它会用完全流畅自信的语气把错误讲下去。流畅但没有锚定,这是AI最老的问题——而Dessa的演示片段里同时展示了这一问题的两面:既有让人信服的自然度,也有让人后背发凉的自信错误。
推论很实用:凡是涉及身份、金额、账号的语音交互,都不能只靠声音当凭据。这跟后面讲的防骗话题直接相关。
它不是第一个纯语音模型,Block自己也承认
这点很重要,因为媒体标题写得很容易让人误以为这是史无前例。实际上纯语音训练和全双工都有前作,Block的新意在于把两者结合并且达到真人对话质量。
| 对比项 | dGSLM(Meta,2022) | Moshi(Kyutai,2024) | Dessa(Block,2026) |
|---|---|---|---|
| 纯语音训练 | 是,约2000小时Fisher对话音频,无文本 | 否,基于Helium这个7B文本大模型(2.1万亿token),会预测文字 | 是,官方称无文本无预训练 |
| 全双工对话 | 否,自己生成对话双方 | 是 | 是 |
| 对话连贯性 | 有限,能生成笑声、重叠说话、自然轮替 | 好 | 好(仅限Block自选录音) |
| 公开了什么 | 论文、Fisher数据集 | 论文、代码、公开权重、实测延迟 | 6段录音 |
从这张表能看出差距:Moshi有论文、有开源代码、有公开权重、有实测延迟数字;Dessa目前只有录音。所以”最强”这个说法,现阶段没有任何可复核的依据。
项目负责人Ragavan Thurairatnam在X上把这次发布称作“语音领域的GPT3时刻”(”a GPT3 moment for speech”)。这是他本人的说法,不是可以验证的结果,官方也没给出任何测试数据。顺带一提这个名字的来历:Dessa 这个研究实验室由2020年被Square(现Block)收购的多伦多深度学习创业公司Dessa的前成员创办,负责人本人此前创办并出售过这家公司、还在多伦多大学讲过课——模型的名字,就是团队的来处。团队称自己”从2012年起做深度学习,八年多来一直在做生成式语音模型”,直接向多尔西汇报。
商业账:Block真正在意的可能不是模型
这是我觉得整件事里最有意思的一层。
Block旗下有Square,做小微商户支付,目前已经在用语音AI接餐厅订单(TechCrunch 报道)。对这类商户来说,语音AI的开销直接吃毛利——把”本地运行、录音不出机器、不按调用量付费”做成模型能力本身,就不是技术炫技,而是成本结构的重新设计。
Block给安全研究者的申请表单里明确说,想让他们重点测”语音智能体冒充真人”的风险场景——这也说明Block自己清楚这条路通向哪里。
最后一层:Block公开的6段录音里,最后一段是Dessa和GPT-Live-1(Block称其为ChatGPT Live)的对话。Block特别注明,录音里两个声音都是AI合成的,而且GPT-Live-1的开发者没有审阅过、也没有为Dessa背书。The Verge 认为即便如此,它在对比中仍然比GPT-Live-1更自然。
我怎么看:值得盯,但别现在就用
说点实际的判断。
值得关注的三个理由:
- 纯语音训练如果真的work,是一条独立于”文本大模型路线”的技术分支,不是把现有路线做得更好
- 本地运行 + 不按调用量计费,对做客服、点单、陪伴类产品的团队是成本模型的质变
- Block主动把安全研究者的测试排在开放之前,这个顺序在语音这个最容易用于诈骗的模态上是罕见的
四个必须诚实标注的限制:
- 它的知识全部来自对话:不能联网、不能调用工具、不能读文档。用现在的话说,它是一个声音,还不是一个助手
- 没有基准、没有参数量、没有延迟数字,”真人感”目前只有Block自己挑的6段录音作为证据
- 训练数据的来源、语言覆盖、授权与知情同意均未披露,外部无法评估隐私与偏见风险
- 它会流畅地搞错(”罗纳尔多”那段),且情绪是否被标签引导尚不清楚
如果你想跟进,盯这5件事就够了:
- 权重和论文放不放:放了才谈得上复现,音频来源和授权说明是底线
- 参数量和实测延迟数字:这两个空着,”能在MacBook上跑”就只是一句无法验证的话
- 支持哪些语言:官方只提了英语,中文能力目前没有任何信息
- 安全测试结果:他们主动征召安全研究者做冒充测试,结果会不会公开
- 第三方基准:尤其是与Moshi这类有公开论文的模型在同一套评测下的对比
相关问题
1. 不用文本训练,模型怎么可能学会语言?
这正是这项工作的核心命题,也是最难验证的部分。声音本身携带了全部的语言信息——音高、节奏、发音、停顿都在传递语义。Block说它”从声音里学会了说话”,还给了个对比:”大语言模型需要海量文本,Dessa用少几百倍的词就学会了语言”。但目前的证据只是官方挑出来的6段录音,没有参数量、没有训练数据规模、没有基准,外界无法判断这是”真正从零学出了语言能力”,还是”在有限规模的对话语料上拟合出了对话节奏”。要等论文或权重。参考系是Moshi——它走的是”7B文本大模型打底”的路线,架构更保守但效果可验证;Dessa要证明的是纯语音这条路确实能走通。
2. Dessa现在能用吗?怎么申请?
不能。它是研究预览状态,官方只放出了等待名单和一份面向AI安全研究者的申请表单(要填机构邮箱、学校或公司证明,以及Google Scholar或博客链接)。没有API、没有权重、没有下载入口、没有价格、连公开发布日期都没给。Block的说法是后续会在X上继续放录音,发布链接”即将上线”。申请入口在官方页面上(block.xyz/dessa)。
3. 它和现有的语音助手(比如各家App里的语音通话)差在哪?
架构上的差别是根本性的。现有的语音助手底层仍然是”语音转文字、文字进大模型、文字转语音”,大模型本身看不到你的语气;Dessa是音频直接进音频直接出,中间没有文字。所以它的插话、接话、情绪反应不是”模型被要求这么做”,而是训练目标里就有的行为。但要注意,能在MacBook上本地跑和能做好复杂任务是两回事——它明确不能联网、不能调工具、不能读文档,Block也没说它会接进Square或Cash App的任何产品。
4. 纯语音模型对做客服、点单产品意味着什么?
成本结构上的变化最直接:不再按调用量计费,且录音不必上传,隐私上更好交代。Block旗下Square已经在用语音AI接餐厅订单,如果Dessa这类本地模型跑通,语音订单的毛利模型会变。但要注意时间表——现在连API都没有,Block也没宣布任何产品集成或定价,这是技术可行性验证阶段,不是可采购阶段。对做技术选型的人,真正的行动项不是等Dessa,而是现在就检查自己的语音链路是不是默认走”转文字再处理”。
5. 纯语音模型是不是诈骗和冒充的新温床?
风险是真实存在的,而且Block自己把它列为优先测试项:让安全研究者专门测”语音智能体冒充真人”。这不是假设——FBI《2025年互联网犯罪报告》首次为AI单列章节,记录了22,364起涉及AI的投诉,报告损失近8.93亿美元。诈骗手法里明确包含克隆声音冒充家人和企业高管、生成公众人物的深度伪造视频、伪造身份文件;其中仅”用克隆声音冒充亲人”的情感诈骗(distress scam)损失就超过500万美元。FBI同时提醒,实际数字很可能更高,因为受害者往往意识不到自己遇到的是AI。纯语音模型如果足够逼真,落地后的滥用门槛确实会降低——一个能在笔记本上离线运行、声音还足够像人的模型,门槛比调API低得多。Block选择先给安全研究者而不是先给大众,至少说明他们意识到这一点。这也是我对这个发布最欣赏的地方:顺序是对的。
6. 那普通人现在该怎么做防骗?
这可能是最实用的一问。几条能立刻用的:遇到”熟人”在电话里要钱,挂断,用通讯录里已存的号码打回去——不要用对方刚给的号码;和家人约定一个暗号,涉及转账、验证码、账户操作时必须对暗号;任何声音都不构成身份凭证,付款请求一律走另一条已验证的渠道确认;警惕语气里的紧迫感,FBI给的建议就一句”Take a Beat”——慢下来,别在压力下行动。技术层面Dessa能不能被滥用还没有定论,但这些习惯对现有的声音克隆诈骗同样有效。
7. 它是”语音版GPT-3时刻”吗?
现在下结论太早。GPT-3时刻有明确的、可复核的规模化效应证据(虽然它当年也没直接给基准,但后续被无数人验证)。Dessa目前只有厂商自选录音,参数量、数据时长、延迟、基准全是空白,公开日期也没有。更准确的定位是:一条技术分支的方向性信号,而不是能力宣告。等论文、权重和第三方评测出来再判断不迟。
📚 参考信源:
1. Block 官方发布页(Dessa 项目页:训练主张、算力规格、运行硬件、官方原话、等待名单与安全研究者申请入口、团队名单) – (https://block.xyz/dessa)
2. Jack Dorsey 发布公告(2026年10月23日,X) – (https://x.com/jack/status/2113697902916751661)
3. Ragavan Thurairatnam 发布公告(”a GPT3 moment for speech”,2026年10月23日,X) – (https://x.com/RagavanThurair)
4. The Hype:Block’s Dessa runs on a MacBook and learned to talk without text(逐条核对官方发布页,整理”公开了什么/没公开什么”对照表、6段录音时长 1:52 到 4:57、dGSLM 与 Moshi 对比表、团队沿革) – (https://thehype.news/block-dessa-speech-only-voice-model/)
5. Cryptopolitan(TechCrunch 报道转载):Dorsey’s Block trains Dessa on speech alone with one Nvidia rack(官方推文原文、6段录音中的具体表现、”声音比文字占字节多上千倍”的技术说明、等待名单与早期访问状态) – (https://www.cryptopolitan.com/block-trains-dessa-speech-alone-nvidia-rack)
6. Industry Pulse(TechCrunch 报道转载):Block Unveils Dessa Speech Model Capable of Emotional Expressiveness and Local Processing(引述 TechCrunch 对 Square 已用语音AI接单、用自有本地模型可降低成本的判断) – (https://industrypulse.media/news/tc-blocks-new-voice-model-sounds-eerily-human-1gzgp9n)
7. ToolPilotPro:Block’s Dessa Is Here: Voice AI Trained Only on Human Speech(汇总 The Verge “有点别扭、有点诡异”的评测、跑题到 Bryan Singer 超人电影、”罗纳尔多”误认片段、负责人此前创办并出售 Dessa 的背景、团队成员名单) – (https://toolpilotpro.com/block-dessa-voice-ai-guide)
8. AI Era:Block Dessa Voice Model: The Speech-Only AI That Learned by Listening(The Verge 评测的引用、”把说话人误认为罗纳尔多”、未发布事项清单) – (https://aiera.blog/?p=2272)
9. Press Report:AI Voices Now Laugh And Interrupt. Why That’s Not Proof Of Anything(整理 TechCrunch 与 CoinDesk 10月24日报道、The Verge 10月23日报道的逐条出处,以及”听起来有情绪不等于有情绪”的判断) – (https://press-report.net/ai-news/ai-security/ai-voices-now-laugh-and-interrupt-why-that-s-not-proof-of-anything)
10. Thorsten Meyer AI:Block’s Dessa Voice AI: Why a Human Voice Is No Longer Proof(The Verge 与 TechCrunch 引文原句、CoinDesk 披露口径、FBI 2025年报告数据、10月26日仍未公开的事项清单) – (https://thorstenmeyerai.com/reality-check/block-dessa-voice-ai-human-scam-risk)
11. FBI 新闻稿:Cryptocurrency and AI Scams Bilk Americans of Billions(2025年互联网犯罪报告官方口径:22,364起涉AI投诉、近8.93亿美元损失、声音克隆冒充家人与企业高管、情感诈骗超500万美元损失、1,008,597起总投诉) – (https://www.fbi.gov/news/press-releases/cryptocurrency-and-ai-scams-bilk-americans-of-billions)
12. 新浪财经:Block做了个只学人声的语音模型,一台MacBook就能跑(中文报道,含”语音领域的GPT-3时刻”表述来源、Square 语音接单与成本结构分析、官方未公布项的中文梳理) – (https://finance.sina.com.cn/tech/roll/2026-10-25/doc-iniwmpav6474247.shtml)
13. Moshi: a speech-text foundation model for real-time dialogue(Kyutai,arXiv,公开的架构与实测延迟数据) – (https://arxiv.org/abs/2410.00037)
14. Generative spoken dialogue language modeling(Meta AI,arXiv,dGSLM 与 Fisher 数据集) – (https://arxiv.org/abs/2203.16502)
引用总结:本文的训练主张、算力规格、运行硬件、官方原话与团队信息均引自Block官方发布页及负责人公开声明,并已直接抓取官方页面逐条核对;”公开了什么、没公开什么”对照表、6段录音时长与 dGSLM、Moshi 的对比数据来自 The Hype 对官方发布页的逐条核对,以及两篇 arXiv 论文公开的架构与延迟数据。Square 已用语音AI接单、The Verge 的”有点别扭、有点诡异”评测与跑题细节、TechCrunch 关于情绪标签机制存疑的判断、CoinDesk 关于规模与发布日期未披露的口径、”罗纳尔多”误认片段,均为第三方报道的转述,Block 未就该项单独回应;本文引用这些片段时已注明它们是对公开录音的试听观察,而非独立测试结论。延迟部分,官方未公布Dessa自身的任何延迟数字,本文仅以 Moshi 论文公开的实测延迟作为人类对话节奏的参照量级,不以第三方估算替代官方指标。风险与诈骗数据全部引自FBI官方新闻稿;需说明这些数字描述的是已报告的涉AI投诉与损失,不代表Dessa被用于过任何欺诈,也不构成对该模型安全性的证明。所有能力判断均标注为厂商自述或第三方转述,截至发稿无第三方复现结果。